Aby umieścić moje pytanie w kontekście, chciałbym szkolić i testować/porównywać kilka (neuronowych) modeli językowych. Aby skupić się raczej na modelach niż na przygotowywaniu danych, zdecydowałem się użyć korpusu Browna z nltk i wyszkolić model Ngrams dostarczony z nltk jako linię podstawową (aby porównać inne LM z).Model i zakłopotanie Ngrama w NLTK
Moje pierwsze pytanie dotyczy zachowania modelu Nltk, który uważam za podejrzany. Ponieważ kod jest dość krótka ja wklejony tutaj:
import nltk
print "... build"
brown = nltk.corpus.brown
corpus = [word.lower() for word in brown.words()]
# Train on 95% f the corpus and test on the rest
spl = 95*len(corpus)/100
train = corpus[:spl]
test = corpus[spl:]
# Remove rare words from the corpus
fdist = nltk.FreqDist(w for w in train)
vocabulary = set(map(lambda x: x[0], filter(lambda x: x[1] >= 5, fdist.iteritems())))
train = map(lambda x: x if x in vocabulary else "*unknown*", train)
test = map(lambda x: x if x in vocabulary else "*unknown*", test)
print "... train"
from nltk.model import NgramModel
from nltk.probability import LidstoneProbDist
estimator = lambda fdist, bins: LidstoneProbDist(fdist, 0.2)
lm = NgramModel(5, train, estimator=estimator)
print "len(corpus) = %s, len(vocabulary) = %s, len(train) = %s, len(test) = %s" % (len(corpus), len(vocabulary), len(train), len(test))
print "perplexity(test) =", lm.perplexity(test)
Co znajdę bardzo podejrzane jest to, że otrzymujemy następujące wyniki:
... build
... train
len(corpus) = 1161192, len(vocabulary) = 13817, len(train) = 1103132, len(test) = 58060
perplexity(test) = 4.60298447026
Z zakłopotaniem 4,6 wydaje modelowanie Ngram jest bardzo dobrze na tym korpusie. Jeśli moja interpretacja jest prawidłowa, model powinien być w stanie odgadnąć poprawne słowo średnio w przybliżeniu 5 prób (chociaż istnieje 13817 możliwości ...). Gdybyś mógł podzielić się swoim doświadczeniem na temat wartości tego zakłopotania (naprawdę w to nie wierzę)? Nie znalazłem żadnych skarg na ngram modelu nltk w sieci (ale może robię to źle). Czy znasz dobre alternatywy dla NLTK dla modeli Ngram i kłopot komputerowy?
Dzięki!
Wygląda na to, że implementacja ngrams w NLTK jest zła. SRILM (http://www.speech.sri.com/projects/srilm/) wywołuje zdumienie ~ 150 (o wiele bardziej wiarygodne). Mimo to, biorąc pod uwagę popularność NLTK, jestem zaskoczony, że nikt tego wcześniej nie doświadczył ... – zermelozf